适用于忆阻器的尖峰时序相关可塑性权重更新方法技术

本发明专利技术公开了一种适用于忆阻器的尖峰时序相关可塑性权重更新方法。根据预设的脉冲序列进行计算获得忆阻器的电导值发生变化量，进而施加到忆阻器上，实现忆阻器的电导值的更新；具体是将脉冲序列中的每个脉冲信号先处理获得输入到忆阻器的尖峰脉冲信号的电压，再根据忆阻器两端的尖峰脉冲信号的电压差模拟获得忆阻器的电导值发生变化量，将忆阻器的电导值发生变化量施加到忆阻器上，实现权重更新。与传统权重更新方法相比，本发明专利技术具有两个显着优势：使得脉冲神经网络达到更高的识别准确率，且在训练过程中的功耗更低。且在训练过程中的功耗更低。且在训练过程中的功耗更低。

【技术实现步骤摘要】
适用于忆阻器的尖峰时序相关可塑性权重更新方法


[0001]本专利技术涉及忆阻器领域的一种内部处理方法，具体是一种适用于忆阻器的尖峰时序相关可塑性权重更新方法。

技术介绍

[0002]脉冲神经网络是第三代神经网络，其输入和输出信息由尖峰序列编码。脉冲神经网络非常适合用于类脑芯片，它比依赖激活函数和梯度下降算法的第二代神经网络更接近人脑神经网络的特性。
[0003]不同种类的监督和无监督脉冲神经网络算法已经被提出，其中，基于尖峰时序相关可塑性的无监督学习算法备受关注。尖峰时序相关可塑性是连接不同神经元的突触的生物学特征，它描述了突触连接强度与突触前后神经元产生的尖峰之间的关系，使脉冲神经网络能够进行训练学习。
[0004]忆阻器的电导值可以根据其两个电极上的电压进行调节，因此可以充当人工突触来实现尖峰时序相关可塑性。基于忆阻器交叉阵列的类脑芯片能够实现存内计算，比基于传统半导体器件的芯片计算效率更高。
[0005]许多研究人员研究了基于忆阻器交叉阵列的尖峰时序相关可塑性权重更新方法，但是已有方法针对的传输信号大多简化为方波信号，而不是尖峰脉冲信号。针对尖峰脉冲信号的尖峰时序相关可塑性权重更新方法，其性能往往没有经过电路仿真验证，或者针对的电路规模太小。

技术实现思路

[0006]针对现有尖峰时序相关可塑性权重更新方法的不足，本专利技术提出了一种适用于忆阻器的尖峰时序相关可塑性权重更新方法，该方法针对尖峰脉冲信号，且适用于大规模电路。经电路仿真验证，该方法与传统方法相比，具有识别准确率高、功耗低的优点。
[0007]本专利技术的技术方案如下：
[0008]方法主要包括尖峰时序相关可塑性权重更新目标和尖峰时序相关可塑性权重更新目标在硬件层面的实现。
[0009]所述方法针对类脑芯片忆阻器阵列，类脑芯片忆阻器阵列是由多个忆阻器阵列构成。按照行列的神经网络芯片架构排布。
[0010]设置以下尖峰时序相关可塑性权重更新目标，表达式为：
[0011][0012]Δt＝t1
‑
t2
[0013]其中，Δt代表在忆阻器数据输入侧输入的脉冲和在忆阻器数据输出侧输入的脉冲之间的时间差，Δw代表忆阻器在两个脉冲作用下的电导值的改变量，τ
pre
和τ
post
分别代
表正向时间常数、负向时间常数，A
pre
代表正向幅度，A
post
代表负向幅度，k代表偏移量。
[0014]所述的正向时间常数τ
pre
和负向时间常数τ
post
均为正常数，A
pre
为正常数，A
post
为负常数，k为正常数。即当Δt趋向于正无穷时，Δw小于0；当Δt小于0时，Δw一直小于0。
[0015]本专利技术中所述的突触是指单个忆阻器。
[0016]所述的忆阻器从数据输入侧和数据输出侧均输入的脉冲信号，且所述的脉冲信号为尖峰脉冲信号。
[0017]所述的尖峰时序相关可塑性权重更新目标在硬件层面的实现方式，实现基于忆阻器和特定的尖峰脉冲信号，忆阻器的电导值会随其两端的电压差发生变化，模拟神经突触权重。
[0018]根据预设的脉冲序列按照以下方式进行计算获得忆阻器的电导值发生变化量，进而施加到忆阻器上，实现忆阻器的电导值的更新：
[0019]脉冲序列中的每个脉冲信号先按照以下公式处理获得输入到忆阻器的尖峰脉冲信号的电压，由以下公式表示：
[0020][0021]其中，A
mp+
和A
mp
‑
分别为脉冲信号的正、负幅度值，t
ail+
和t
ail
‑
分别为脉冲信号的正向、负向时间长度，τ
+
和τ
‑
为脉冲信号的正、负时间常数；spk(t)表示t时刻下的脉冲信号的电压；
[0022]然后根据忆阻器两端的尖峰脉冲信号的电压差按照以下公式模拟获得忆阻器的电导值发生变化量，忆阻器电导值随其两端电压差的变化：
[0023][0024]v
MR
＝spk1(t1)
‑
spk2(t2)
[0025]其中，v
MR
代表忆阻器两端电压，v
th+
和v
th
‑
分别代表忆阻器电导值发生变化的正、负电压阈值，G0、v
o+
和v
o
‑
为忆阻器的第一、第二、第三特性参数；f(v
MR
)表示忆阻器的电导值发生变化量；spk1(t1)表示t1时刻下的忆阻器从数据输入侧输入的脉冲信号的电压，spk2(t2)表示t2时刻下的忆阻器从数据输出侧输入的脉冲信号的电压，从数据输入侧输入的脉冲信号和从数据输出侧输入的脉冲信号的时刻不同。t表示尖峰脉冲信号的时刻，尖峰脉冲信号的幅度值为零时t＝0；
[0026]从而将忆阻器的电导值发生变化量施加到忆阻器上，实现权重更新。
[0027]所述的忆阻器的第一、第二、第三特性参数G0、v
o+
和v
o
‑
均是事先采用无监督学习方式训练获得。
[0028]所使用忆阻器模型的正、负电压阈值关系满足：
[0029]所使用的尖峰脉冲信号的正、负幅度值和忆阻器的正、负电压阈值关系满足：
[0030][0031][0032]所述的尖峰脉冲信号仅包括位于幅度值为零之上的一个尖峰和位于幅度值为零之下的一个尖峰。
[0033]具体实施中，忆阻器两端的电压差表示为：
[0034]v
MR
(t,Δt)＝spk(t)
‑
spk(t+Δt)
[0035]其中，t表示输入忆阻器前端的一个信号的时刻，t+Δt表示输入忆阻器后端的一个信号的时刻，
[0036]忆阻器电导值变化总量由积分获得：
[0037]Δw(Δt)＝∫f(v
MR
(t,Δt))dt
[0038]该公式通过忆阻器和脉冲信号的参数拟合，与本专利技术提出的尖峰时序相关可塑性权重更新方法近似一致。
[0039]本专利技术实际可通过微分方程在尖峰神经网络代码中进行定义，并且可以通过使用特定尖峰脉冲信号在忆阻器交叉阵列上实现。
[0040]本专利技术的有益效果是：
[0041]与传统尖峰时序相关可塑性更新方法相比，所提出的本专利技术具有显着优势：
[0042]一、本专利技术下的脉冲神经网络经训练后能达到更高的识别准确率；
[0043]二、本专利技术对应的类脑芯片忆阻器交叉阵列在训练过程中的功耗更低；
[0044]三、本专利技术对应的类脑芯片忆阻器交叉阵列在训练过程中受到的静态压降和寄生电流的影响更小，因此具有更好的电路可靠性。
附图说明
[0045]图1为本专利技术方法的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于忆阻器的尖峰时序相关可塑性权重更新方法，其特征在于：方法主要包括尖峰时序相关可塑性权重更新目标和尖峰时序相关可塑性权重更新目标在硬件层面的实现。2.根据权利要求1所述的一种适用于忆阻器的尖峰时序相关可塑性权重更新方法，其特征在于：所述方法针对类脑芯片忆阻器阵列，类脑芯片忆阻器阵列是由多个忆阻器阵列构成。3.根据权利要求1所述的一种适用于忆阻器的尖峰时序相关可塑性权重更新方法，其特征在于：设置以下尖峰时序相关可塑性权重更新目标，表达式为：其中，Δt代表在忆阻器数据输入侧输入的脉冲和在忆阻器数据输出侧输入的脉冲之间的时间差，Δw代表忆阻器在两个脉冲作用下的电导值的改变量，τ
pre
和τ
post
分别代表正向时间常数、负向时间常数，A
pre
代表正向幅度，A
post
代表负向幅度，k代表偏移量。4.根据权利要求1所述的一种适用于忆阻器的尖峰时序相关可塑性权重更新方法，其特征在于：所述的忆阻器从数据输入侧和数据输出侧均输入的脉冲信号，且所述的脉冲信号为尖峰脉冲信号。5.根据权利要求4所述的一种适用于忆阻器的尖峰时序相关可塑性权重更新方法，其特征在于：根据预设的脉冲序列按照以下方式进行计算获得忆阻器的电导值发生变化量，进而施加到忆阻器上，实现忆阻器的电导值的更新：脉冲序列中的每个脉冲信号先按照以下公式处理获得输入到忆阻器的尖峰脉冲信号的电压：其中，A
mp+
和A
mp
‑
分别为脉冲信号的正、负幅度值，t
ail+
和t

【专利技术属性】
技术研发人员：李尔平，陶拓旻，李达，
申请(专利权)人：浙江大学，
类型：发明
国别省市：